rbf神經網路學習演算法

A. MATLAB工具箱里的RBF神經網路newrb是什麼演算法

newrb設計了徑向基網路，調用格式：
net = newrb
[net,tr] = newrb(P,T,goal,spread,MN,DF)

P-Q組輸入向量組成的R×Q維矩陣；
T-Q組目標分類向量組成的S×Q維矩陣；
goal-均方誤差,默認值為0；
spread-徑向基函數的擴展速度,默認值為1；
MN-神經元的最大數目,默認是Q
DF-兩次顯示之間所添加的神經元數目,默認值為25；
net-返回值，一個徑向基網路；
tr-返回值，訓練紀錄。

該函數設計的徑向基網路net可用於函數逼近。徑向基函數的擴展速度spread越大，函數的擬合就越平滑。但是，過大的spread意味著需要非常多的神經元以適應函數的快速變化。如果spread設定過小，則意味著需要許多神經元來適應函數的緩慢變化，這樣一來，設計的網路性能就不會很好。

B. Rbf神經網路原理

rbf神經網路即徑向基函數神經網路（Radical Basis Function）。徑向基函數神經網路是一種高效的前饋式神經網路，它具有其他前向網路所不具有的最佳逼近性能和全局最優特性，並且結構簡單，訓練速度快。同時，它也是一種可以廣泛應用於模式識別、非線性函數逼近等領域的神經網路模型。

C. rbf神經網路用哪種學習演算法好

RBF 網路的設計包括結構設計和參數設計。結構設計主要解決如何確定網路隱節點數的問題。參數設計一般需考慮包括3種參數：各基函數的數據中心和擴展常數，以及輸出節點的權值 。 當採用Full RBF 網路結構時 ，隱節點數即樣本數，基函數的數據中心即為樣本本身，參數設計只需考慮擴展常數和輸出節點的權值 。當採用廣義RBF網路結構時 ，RBF網路的學習演算法應該解決的問題包括 ：如何確定網路隱節點數 ，如何確定各徑向基函數的數據中心及擴展常數 ， 以及如何修正輸出權值 。

根據數據中心的取值方法 ， RBF 網的設計方法可分為兩類 。
第一類方法 ： 數據中心從樣本輸入中選取 。 一般來說 ， 樣本密集的地方中心點可以適當多些 ， 樣本稀疏的地方中心點可以少些 ； 若數據本身是均勻分布的 ，中心點也可以均勻分布 。 總之 ， 選出的數據中心應具有代表性 。 徑向基函數的擴展常數是根據數據中心的
散布而確定的 ， 為了避免每個徑向基函數太尖或太平 ， 一種選擇方法是將所有徑向基函數的擴展常數設為：max(d)/sqrt(2M),M為數據中心點數，max(d)為所選數據中心之間的最大距離 。
第二類方法 ： 數據中心的自組織選擇。常採用各種動態聚類演算法對數據中心進行自組織選擇，在學習過程中需對數據中心的位置進行動態調節 。 常用的方法是 K-means 聚類，其優點是能根據各聚類中心之間的距離確定各隱節點的擴展常數。由於 RBF 網的隱節點數對其泛化能力有極大的影響，所以尋找能確定聚類數目的合理方法，是聚類方法設計RBF網時需首先解決的問題。除聚類演算法外還有梯度訓練方法資源分配網路RAN等。

D. rbf神經網路中的訓練函數是什麼

RBF (Radial Basis Function)可以看作是一個高維空間中的曲面擬合(逼近)問題，學習是為了在多維空間中尋找一個能夠最佳匹配訓練數據的曲面，然後來一批新的數據，用剛才訓練的那個曲面來處理(比如分類、回歸)。RBF的本質思想是反向傳播學習演算法應用遞歸技術，這種技術在統計學中被稱為隨機逼近。RBF里的basis function(徑向基函數里的基函數)就是在神經網路的隱單元里提供了提供了一個函數集，該函數集在輸入模式（向量）擴展至隱空間時，為其構建了一個任意的「基」。這個函數集中的函數就被稱為徑向基函數。
如果對於輸入空間的某個局部區域只有少數幾個連接權值影響輸出，則該網路稱為局部逼近網路。常見的局部逼近網路有RBF網路、小腦模型（CMAC）網路、B樣條網路等。

徑向基函數解決插值問題

完全內插法要求插值函數經過每個樣本點，即。樣本點總共有P個。

RBF的方法是要選擇P個基函數，每個基函數對應一個訓練數據，各基函數形式為，由於距離是徑向同性的，因此稱為徑向基函數。||X-Xp||表示差向量的模，或者叫2范數

E. RBF神經網路的缺點！

1.RBF 的泛化能力在多個方面都優於BP 網路, 但是在解決具有相同精度要求的問題時, BP網路的結構要比RBF 網路簡單。2. RBF 網路的逼近精度要明顯高於BP 網路,它幾乎能實現完全逼近, 而且設計起來極其方便, 網路可以自動增加神經元直到滿足精度要求為止。但是在訓練樣本增多時, RBF 網路的隱層神經元數遠遠高於前者, 使得RBF 網路的復雜度大增加, 結構過於龐大, 從而運算量也有所增加。3. RBF神經網路是一種性能優良的前饋型神經網路，RBF網路可以任意精度逼近任意的非線性函數，且具有全局逼近能力，從根本上解決了BP網路的局部最優問題，而且拓撲結構緊湊，結構參數可實現分離學習，收斂速度快。4. 他們的結構是完全不一樣的。BP是通過不斷的調整神經元的權值來逼近最小誤差的。其方法一般是梯度下降。RBF是一種前饋型的神經網路，也就是說他不是通過不停的調整權值來逼近最小誤差的，的激勵函數是一般是高斯函數和BP的S型函數不一樣，高斯函數是通過對輸入與函數中心點的距離來算權重的。5. bp神經網路學習速率是固定的，因此網路的收斂速度慢，需要較長的訓練時間。對於一些復雜問題，BP演算法需要的訓練時間可能非常長，這主要是由於學習速率太小造成的。而rbf神經網路是種高效的前饋式網路，它具有其他前向網路所不具有的最佳逼近性能和全局最優特性，並且結構簡單，訓練速度快。

F. 請問matlab中RBF神經網路newrbe函數用的什麼演算法

newrbe是設計精確的徑向基神經網路的函數，用法如：
P
=
[1
2
3];%輸入
T
=
[2.0
4.1
5.9];%目標
net
=
newrbe(P,T);%生成神經網路
其演算法是：生成的網路有2層，第一層是radbas神經元，用dist計算加權輸入，用netprod計算網路輸入，第二層是purelin神經元，用
dotprod計算加權輸入，用netsum計算網路輸入。兩層都有偏差b。
newrbe先設第一層權重為p'，偏差為0.8326，第二層權重IW{2,1}從第一層的模擬輸出
A{1}得到，偏差
b{2}從解線性方程
[W{2,1}
b{2}]
*
[A{1};
ones]
=
T
得到。

G. RBF神經網路如何實現函數逼近 觀測器是什麼基於觀測器如何設計控制器

摘要 RBF網路的訓練過程實際上就是對兩組網路參

H. rbf神經網路原理

rbf神經網路原理是用RBF作為隱單元的「基」構成隱含層空間，這樣就可以將輸入矢量直接映射到隱空間，而不需要通過權連接。

當RBF的中心點確定以後，這種映射關系也就確定了。而隱含層空間到輸出空間的映射是線性的，即網路的輸出是隱單元輸出的線性加權和，此處的權即為網路可調參數。其中，隱含層的作用是把向量從低維度的p映射到高維度的h，這樣低維度線性不可分的情況到高維度就可以變得線性可分了，主要就是核函數的思想。

這樣，網路由輸入到輸出的映射是非線性的，而網路輸出對可調參數而言卻又是線性的。網路的權就可由線性方程組直接解出，從而大大加快學習速度並避免局部極小問題。

(8)rbf神經網路學習演算法擴展閱讀

BP神經網路的隱節點採用輸入模式與權向量的內積作為激活函數的自變數，而激活函數採用Sigmoid函數。各調參數對BP網路的輸出具有同等地位的影響，因此BP神經網路是對非線性映射的全局逼近。

RBF神經網路的隱節點採用輸入模式與中心向量的距離（如歐式距離）作為函數的自變數，並使用徑向基函數（如Gaussian函數）作為激活函數。神經元的輸入離徑向基函數中心越遠，神經元的激活程度就越低（高斯函數）。

RBF網路的輸出與部分調參數有關，譬如，一個wij值隻影響一個yi的輸出（參考上面第二章網路輸出），RBF神經網路因此具有「局部映射」特性。

I. RBF神經網路演算法

RBF演算法的隱含層中心在確定以後也是需要進行調整的，應該是每次訓練都要應用K均值聚類調整中心的。

J. RBF神經網路和BP神經網路有什麼區別

1.RBF 的泛化能力在多個方面都優於BP 網路, 但是在解決具有相同精度要求的問題時, BP網路的結構要比RBF 網路簡單。
2. RBF 網路的逼近精度要明顯高於BP 網路,它幾乎能實現完全逼近, 而且設計起來極其方便, 網路可以自動增加神經元直到滿足精度要求為止。但是在訓練樣本增多時, RBF 網路的隱層神經元數遠遠高於前者, 使得RBF 網路的復雜度大增加, 結構過於龐大, 從而運算量也有所增加。
3. RBF神經網路是一種性能優良的前饋型神經網路，RBF網路可以任意精度逼近任意的非線性函數，且具有全局逼近能力，從根本上解決了BP網路的局部最優問題，而且拓撲結構緊湊，結構參數可實現分離學習，收斂速度快。
4. 他們的結構是完全不一樣的。BP是通過不斷的調整神經元的權值來逼近最小誤差的。其方法一般是梯度下降。RBF是一種前饋型的神經網路，也就是說他不是通過不停的調整權值來逼近最小誤差的，的激勵函數是一般是高斯函數和BP的S型函數不一樣，高斯函數是通過對輸入與函數中心點的距離來算權重的。
5. bp神經網路學習速率是固定的，因此網路的收斂速度慢，需要較長的訓練時間。對於一些復雜問題，BP演算法需要的訓練時間可能非常長，這主要是由於學習速率太小造成的。而rbf神經網路是種高效的前饋式網路，它具有其他前向網路所不具有的最佳逼近性能和全局最優特性，並且結構簡單，訓練速度快。